13

我们正在 Tensorflow 上运行多 GPU 作业，并评估从基于队列的模型（使用 string_input_producer 接口）到新的 Tensorflow 数据集 API 的迁移。后者似乎提供了一种同时在训练和验证之间切换的更简单方法。

下面的一段代码显示了我们是如何做到这一点的。

    train_dataset, train_iterator = get_dataset(train_files, batch_size, epochs)
    val_dataset, val_iterator = get_dataset(val_files, batch_size, epochs)


    is_validating = tf.placeholder(dtype=bool, shape=())
    next_batch = tf.cond(is_validating,
               lambda: val_iterator.get_next(),
               lambda: train_iterator.get_next())

    validation_tower = self.num_gpus - 1
    tower_grads = []

    for i in range(self.num_gpus):
        with tf.variable_scope(tf.get_variable_scope(),reuse=(i > 0)):
            with tf.device('/gpu:%d' % i), tf.name_scope('%s_%d' % ('gpu_', i)) as scope:
                if i == validation_tower:
                    images, labels = next_batch
                    # Loss funcs snipped out
                else:
                    images, labels = next_batch
                    # Loss funcs snipped out

get_dataset 函数构建数据集，设置映射函数和批量大小。它还构建了一个迭代器，但不初始化它。迭代器的初始化发生在会话开始之前。

is_validating 布尔值在会话运行时提供，每隔几步我们通过 feed_dict 将 is_validating 传递为 True 以使用验证数据集

我的问题是：

假设我有 8 个 GPU，所以我们在 7 个 GPU 上运行训练。对于这 7 个 GPU 中的每一个，迭代器是否从同一点前进，从而为所有 7 个 GPU 提供相同的数据？

4

1 回答 1

22

目前有三个主要选项，它们具有不同的可用性和性能权衡：

  1. 在Dataset.batch()转换中，创建一个包含所有 GPU 示例的大批量。然后使用tf.split(..., self.num_gpus)的输出Iterator.get_next()为每个 GPU 创建子批次。这可能是最简单的方法，但它确实将拆分置于关键路径上。

  2. 在Dataset.batch()转换中，创建一个适合单个 GPU 大小的小批量。然后每个 GPU 调用Iterator.get_next()一次以获得多个不同的批次。（相比之下，在您当前的代码中，相同的值next_batch被发送到每个 GPU，这可能不是您想要发生的。）

  3. 创建多个迭代器，每个 GPU 一个。在管道的早期使用分片数据Dataset.shard()（例如，如果您的数据集被分片，则在文件列表中）。请注意，这种方法会消耗主机上的更多资源，因此您可能需要调低任何缓冲区大小和/或并行度

请注意，当前tf.data流水线仅在 CPU 上运行，高效流水线的一个重要方面是在上一步仍在运行时将您的训练输入暂存到 GPU。请参阅TensorFlow CNN 基准测试，了解如何高效地将数据暂存到 GPU 的示例代码。我们目前正在努力将此支持tf.data直接添加到 API。

于 2017-10-27T01:40:54.303 回答